¿Cómo montas la validación cruzada y qué cambia cuando los datos son una serie temporal?

El k fold estándar reparte las filas al azar en k partes, entrena con k menos una y valida con la que queda fuera, y luego promedia. Con series temporales eso es inválido, porque los repartos aleatorios dejan que el modelo entrene con el futuro y prediga el pasado. Usa en su lugar encadenamiento hacia delante: entrena con todo hasta el instante t, valida en la siguiente ventana, avanza, y deja un hueco si las variables usan ventanas móviles.

El k fold normal baraja las filas en folds y va rotando cuál dejas fuera. Eso está bien cuando las filas son independientes, y se cae en cuanto dejan de serlo. Con series temporales uso encadenamiento hacia delante: entreno con los meses uno a seis, valido con el siete, luego entreno hasta el siete y valido con el ocho, y así sucesivamente. La validación siempre queda después de la ventana de entrenamiento, que es como se usa el modelo. También dejo un hueco cuando mis variables usan ventanas móviles, porque una media móvil de treinta días calculada justo en la frontera contiene en silencio información del periodo de validación. La otra trampa son las entidades repetidas. Si un cliente tiene cuarenta filas y caen en entrenamiento y en validación, el modelo puede memorizar a ese cliente y la puntuación está inflada, así que agrupo por ID de cliente. Y ajusto escaladores y codificadores dentro de cada fold, nunca sobre el conjunto completo primero, porque ajustar sobre todo filtra la distribución de validación al entrenamiento. Eso solo me ha explicado un par de puntos de caída entre lo offline y lo real.